用途：帮助使用 HuggingFace TRL、Transformers 与 PEFT 库训练和微调大语言模型，覆盖数据集准备、训练配置、GPU 选型与部署。
主要能力：
- 方法选择：有输入/输出对用 SFT；有偏好对（chosen/rejected）用 DPO；有奖励函数或验证器用 GRPO；仅续训用 CLM。
- SFT：使用 SFTTrainer 与 SFTConfig，可配合聊天模板（messages 列）。
- DPO：使用 DPOTrainer 与 DPOConfig，数据需 prompt、chosen、rejected 列，学习率较低并含 beta 参数。
- GRPO：使用 GRPOTrainer 与 GRPOConfig，需定义 reward_fn，配合 num_generations 等参数。
- PEFT/LoRA：使用 LoraConfig 降低可训练参数量；QLoRA 通过 BitsAndBytesConfig 做 4-bit 量化加载。
- GPU 与数据：提供显存参考表（如 7-8B 全量约 60GB+、LoRA 16GB、QLoRA 8GB）和云厂商建议；支持聊天、Alpaca、prompt/completion 等数据格式及质量过滤、去重。
- 成本估算：提供基于 GPU 时价与吞吐的估算函数。
- 部署与评估：可保存模型并用 llama.cpp 转换为 GGUF（如 python convert_hf_to_gguf.py ./model-for-gguf --outtype q4_k_m）；使用 lm-eval 或自定义脚本评估。
使用方式：按任务编写对应 Trainer 脚本；可先在小数据子集上测试。文中提及通过 HF Jobs MCP 的 hf_jobs() 工具提交训练（示例：hf_jobs("uv", {"script": training_script, "gpu": "a100"})），但未提供该工具的具体配置步骤。
限制：资料未提供确切的收费或价格承诺，成本数字为示例估算；GPU 显存与选型建议为一般性参考，实际取决于模型、序列长度与配置；未提供完整的端到端安装命令或部署流程细节。